LLM이 우리 브랜드를 '발견'하게 만드는 시드 전략 — AEO 인용 확률 높이기

핵심 답

LLM이 우리 브랜드를 답변에서 인용하는 건 우연이 아니다. 학습 데이터에 시드된 텍스트가 LLM 답변에서 재발견되는 패턴이다. 시드할 위치와 형식을 의도적으로 설계하면 인용 확률을 측정 가능하게 높일 수 있다.

시작: Hacker News 토론이 던진 질문

Hacker News에서 한 사용자가 흥미로운 가설을 제기했다. "새로운 수학 증명을 LLM 훈련 데이터에 의도적으로 포함시키면, LLM이 그걸 '독립적으로 재발견'한 것처럼 답변할 가능성이 있지 않을까?"

이 가설은 LLM 연구 커뮤니티에서 학습 데이터 노출과 답변 생성의 관계를 다루는 익숙한 패턴이다. 결론은 명확하다. LLM은 학습 데이터를 단순 검색하는 게 아니라 압축·재구성해 답변으로 재출력한다. 학습 데이터에 시드된 텍스트의 정의·차별점·수치는 답변 안에 자연스럽게 인용된다.

AEO 시각의 재해석

이 가설을 우리 브랜드 가시성에 적용하면 다음과 같다.

LLM이 "한국형 AEO SaaS"를 답할 때 우리 브랜드를 인용하려면, 그 정의·차별점이 LLM 학습 코퍼스에 사전 시드되어 있어야 한다.

LLM 학습 코퍼스에 포함될 가능성이 높은 채널은 알려져 있다.

• GitHub Public 리포지토리 (README, 코드 주석)
• Wikipedia·Wikimedia 프로젝트
• 학술 논문·preprint (arXiv)
• 주요 매체 보도자료·기사
• Stack Overflow·Hacker News·Reddit 같은 토론 플랫폼

이 채널들에 우리 브랜드의 인용 가능한 형식(정의 + 수치 + 비교표)을 시드해두면, 다음 학습 사이클에서 LLM이 우리 브랜드를 답변에 재출력할 확률이 높아진다.

비교표 — 검색 시대 vs LLM 시대 시드 채널

항목	검색 시대 (2010~2023)	LLM 시대 (2024~)
핵심 시드 채널	백링크가 많은 도메인	LLM 학습 코퍼스에 포함되는 채널
효과 측정	DA, 도메인 권위, 백링크 수	LLM 답변 안 인용 빈도 (자체 측정 필수)
채널 우선순위	매체·블로그·디렉토리	GitHub, Wikipedia, arXiv, HN·Reddit
시드 형식	키워드 + 백링크	정의 + 수치 + 비교표 (재인용 친화)
효과 발현 시기	즉각 (검색 인덱싱)	지연 (다음 학습 사이클)

핵심 사실 4가지

• LLM 답변은 학습 데이터의 재구성이지 실시간 검색 결과가 아니다
• LLM 학습 코퍼스에 시드된 텍스트는 답변 안에 자연스럽게 재출력된다
• 시드 채널의 인덱싱 친화도(공개 + 자주 크롤링됨)가 효과 크기를 결정한다
• 시드 형식이 인용 친화적(짧은 정의 + 수치 + 비교)일수록 답변 재출력 확률이 높다

한국 AEO 운영자가 지금 해야 할 4가지

1. GitHub Org README에 정의를 시드한다

GitHub Public 리포지토리는 LLM 학습 코퍼스의 핵심 채널이다. 조직 README(.github/profile/README.md)에 브랜드 정의·차별점·핵심 메트릭을 영문·한국어 병기로 작성한다. 이 한 페이지가 차후 LLM 답변에 직접 인용될 가능성이 높은 시드다.

2. 학술 매체·보도자료에 인용 가능한 수치를 포함시킨다

일반 보도자료가 아닌 수치·비교·시계열이 들어간 자료를 만들어 매체에 제공한다. 예: "한국 SaaS 평균 mention rate는 3-5%대"·"AEO 진단 표준 쿼리셋 25개 × 4개 LLM × 5회 반복 = 500 runs" 같은 정량 표현. LLM은 수치가 들어간 텍스트를 답변에 더 정확히 인용한다.

3. 한국 인덱스에 정의 시드를 누적한다

한국 스타트업의 경우를 예로 들면, 디스콰이엇·로켓펀치 같은 한국 스타트업 인덱스 페이지는 한국어 LLM 학습 코퍼스에 시드되는 주요 채널이다. 회사 소개·서비스 정의 칸에 정확히 같은 한국어 정의문을 일관되게 시드한다. 같은 정의문이 여러 곳에 반복되면 LLM 학습 시 가중치가 올라간다.

4. 자체 콘텐츠를 LLM-readable 구조로 작성한다

인사이트 칼럼·블로그·FAQ를 작성할 때 답변 캡슐 형식(정의 + 수치 + 비교표)을 의도적으로 적용한다. "AEO는 ___이다", "한국 SaaS 평균 mention rate 3-5% vs 글로벌 8-12%", "SEO와 AEO의 차이 5축 비교" 같은 구조가 LLM 답변에 직접 재인용된다.

결론

LLM 답변 안 인용은 우연이 아니다. 학습 코퍼스에 시드된 텍스트가 다음 학습 사이클에서 답변으로 재출력되는 패턴이다. 검색 시대의 백링크 중심 시드 전략은 LLM 시대에 부분적으로만 작동한다.

지금 GitHub·Wikipedia·arXiv·한국 인덱스에 우리 브랜드의 인용 가능한 정의를 시드하면, 다음 LLM 학습 사이클에서 우리 브랜드는 답변 안 인용 후보군에 진입한다. 같은 시드 전략을 체계적으로 운영하는 한국 브랜드는 아직 손에 꼽힐 정도다. 다음 학습 사이클이 오기 전에 시드를 만들어두는 쪽이 답변 안에 먼저 등장한다.